Probabilités et Statistiques: Quelques petits rappels

publicité
Probabilités et Statistiques:
Quelques petits rappels
Christine Decaestecker & Marco Saerens
ULB & UCL
LINF2275
Probabilités et Statistiques: Introduction
• Démarche statistique:
Etude d’un ensemble d’objets (cas, individus, ...) sur lesquels on observe des
caractéristiques appelées «!variables!».
population = ensemble, collection d!’objets équivalents sensés partager des
propriétés communes.
Statistique = étude des propriétés générales des populations plutôt que des
propriétés particulières des individus.
• Ex: contrôle de qualité de pièces usinées:
Pour un certain type (une population) de pièces (fabriquées dans des conditions
déterminées): proportion de pièces défectueuses?
• Echantillonage:
Etude exhaustive d!’une population trop vaste (peut être infinie), difficile et/ou
coûteuse;
étude d’une partie (représentative) ou échantillon
LINF2275
Introduction 2
• Types de variable: (caractéristique, descripteur, attribut)
– qualitative: valeurs = labels d’appartenance à une catégorie
• nominale (sans notion d’ordre, ex: sexe, type de traitement, ...);
• ordinale (ordre sur les labels, ex : faible, moyen, fort);
– quantitative: à valeurs numériques
• entière (nombre fini ou dénombrable de valeurs, ex: nombre d’accidents de la
route par an);
• continue (toutes les valeurs d’un intervalle réel sont observables,
ex: température, pression sanguine, ...).
Variables quantitatives: les opérations arithmétiques (somme, moyenne, ...)
ont un sens;
Variables qualitatives: seules les opérations de comptage ont un sens!
LINF2275
Introduction 3
• Analyse statistique
= étude de la variabilité des caractéristiques des individus.
Des individus apparemment semblables ont généralement des valeurs
différentes pour les différentes variables qui les caractérisent.
• Utilités de l’analyse statistique:
– prévoir (de façon probabiliste) le comportement d’individus non encore
observés;
– réduire ou expliquer la variabilité à l’aide d’autres variables;
– utiliser la variabilité pour distinguer au mieux les individus (ou groupes
d’individus) entre eux.
LINF2275
Introduction 4
• Tableaux de données:
échantillon de n individus sur lesquels on observe p variables:
Variables
X1
I
n
d
i
v
i
d
u
s
X2
Xj
Xp
1
2
i
xij
n
notations vectorielles:
ième observation = vecteur xi!=![xi1, xi2, ..., xip]T
ou
x(i) = [x1(i), x2(i),..., xp(i)]T : ième réalisation du vecteur aléatoire x
Le tableau de données = une matrice (xij)
avec i = 1, ..., n et j = 1, ..., p
(utilisation d'outils du calcul matriciel)
LINF2275
Introduction 5
• Théorie des probabilités:
– théorie mathématique axiomatique (déconnectée de la réalité physique);
– permet de modéliser des phénomènes où le hasard (l'aléatoire) intervient
et d'en faire l'étude théorique (analytique).
= outil pour la statistique:
LINF2275
Statistique
Probabilités
Observation de phénomènes concrets
Modélisation de phénomènes aléatoires
• Observation de données: possibles
imprécisions, erreurs
• Modélisation des déviations entre
vraies valeurs et valeurs observées
• Distribution des valeurs d’une
variable sur une population
• Modélisation par des lois de probabilité
théoriques (gaussienne, poisson, …)
• Echantillonage des individus
observés par tirage au hasard (assurer
la représentativité)
• Propriétés observées = variables
aléatoires Ë étude des répartitions,
des liens éventuels
Introduction 6
Probabilités = outils essentiels pour extrapoler:
observations
sur
échantillon(s)
lois de comportement
sur
la population
STATISTIQUE INFERENTIELLE
(essentiellement uni- et bi-variée)
1ère partie du cours
(revisions)
autre aspect de la statistique:
STATISTIQUE EXPLORATOIRE
(essentiellement multivariée)
LINF2275
2ème partie du cours
Introduction 7
• Statistique exploratoire:
(statistique descriptive, analyse de données, "data mining")
But:
synthétiser, structurer (extraire) l'information contenue dans les données
Démarche
représentations des données:
tableaux, graphiques (visualisations), indicateurs numériques
mise en évidence de propriétés de l'échantillon
suggérer des hypothèses sur la population, le phénomène,
le problème étudié
outils de base: algèbre linéaire, calcul matriciel, géométrie euclidienne,
informatique.
LINF2275
Introduction 8
• Exemples de tâches exploratoires:
Expliquer une variable
Recherche de structures “naturelles”
continue ordonnée catégorielle
problème non-supervisé
problème supervisé
clustering
régression
classification
(approx. de fct.) (discrimination)
y
• • •• ••
• • •• •• • •• •
•• •••• ••
•• •• •• •
• • • •••
• • • •• •
• •• •• •
• • •••• •• •
••• • •
• ••• ••••• • ••
• •••• • • •• •
• •••• • •• •••••
• • • • • •• •
•
LINF2275
o
o
o
+
o
+
+
+
o
o
+
+
o
x
+
+
+
+
+
+
+
+
+ ++
+ + +
+ ++
o
o
o
o
o
o
o
o
o
+
+
++
+ + ++
+
+ +++
+ + ++
+ + +
axes principaux
F2
•
•
• •
• •• •
• •
•
•
••
•
• • •
• • • •
•
• •
• • • ••
• • • •
•
Introduction 9
F1
• Démarche scientifique:
1) phase exploratoire (observations),
2) formulation d'hypothèses, de modèles, de règles,
3) validation.
• Outils de validation:
– Inférence: s'appuie sur des modèles probabilistes,
=> démarche analytique,
=> modèles mathématiques relativement "simples",
=> vue simplifiée parfois contestable du phénomène
étudié: les données doivent "coller" suffisamment
au modèle pour que la démarche soit valable.
– Procédure informatique: ne s'appuie que sur les données,
=> rééchantillonnage et vérification (à recommencer x fois),
=> outils informatiques: tests intensifs pour avoir une bonne
perception générale du phénomène
=> nécessite une quantité de données importante
LINF2275
Introduction 10
• Exemple: estimation d'une moyenne, intervalle de confiance
échantillon de n valeurs d'une variable X: x1, x2,..., xn
1 n
moyenne échantillon: x = Â xi
n i=1
dépend de l'échantillon analysé
intervalle de confiance = intervalle autour de x : [ x - Dx , x + Dx ]
ayant une probabilité fixée (95%) de contenir la
moyenne population m
Méthode d'inférence:
suppose une distribution théorique (ex: normale) pour déterminer l'intervalle.
Méthode de rééchantillonnage: (principes de base)
– génère un grand nombre N d'échantillons similaires à l'échantillon de départ,
– calcule les N moyennes échantillon => distribution empirique,
– détermine l'intervalle contenant 95% des valeurs.
LINF2275
Introduction 11
Outils probabilistes de base (rappels)
• Expérience aléatoire: expérience où le hasard intervient rendant le résultat
imprévisible
(Ex: lancer un dé)
ensemble de tous les résultats possibles = univers des possibles = W
(Ex: W = {1, 2, ..., 6})
Evénement: assertion relative au résultat d'une expérience,
se réalise ou non
(Ex: obtenir un nbre pair)
= toute partie de W
(Ex: {2, 4 , 6})
outils ensemblistes
• Soit C un ensemble d'événements = ensemble de parties de W satisfaisant les
propriétés suivantes (algèbre de Boole):
"A ŒC : son contraire ÿA ŒC (ÿA = W \ A)
"A1 , A2 ,K, An ŒC : U Ai ŒC
(W , C) est un espace
probabilisable
W ŒC
LINF2275
Proba. - rappels 12
• Loi de probabilité P: (W , C)’ [0,1] telle que
P (W) = 1 et "A1 , A2 ,K, An ŒC tels que Ai « A j = ∅ ("i ≠ j ),
on a P(U Ai ) = Â P(Ai )
(W , C, P) est un espace probabilisé
• Propriétés élémentaires
P (∅) = 0
P (ÿA) = 1 – P (A)
P (A) ≤ P (B) si A Ã B
P (A » B) = P (A) + P (B) – P (A « B)
W
A
B
• Probabilités conditionelles - Indépendance
Proba. conditionelle de A sachant B (de proba. non nulle):
/
P (AB) = P (A « B) P (B)
A indépendant de B ssi P (AB) = P (A)
ssi P (A « B) = P (A) P (B)
LINF2275
Proba. rappels 13
• Théorème des probabilités totales:
" A1, A2, ..., An formant une partition de W (Ai « Aj = ∅ " i≠j, et » Ai = W)
"B
P(B) = Âi P(B « Ai)
= Âi P(BAi) P(Ai)
en particulier:
P(B) = P(BA) P(A) + P(BÿA) P(ÿA)
• Théorème de Bayes:
P(AB) = P(BA) P(A)
/ P(B)
Généralisation: si A1, A2, ..., An forment une partition de W
P(AiB) = P(BAi) P(Ai)
/ Âk P(BAk) P(Ak)
Ex d'utilisation: aide au diagnostique:
probabilité d'une affection étant donnés les résultats d'examens médicaux.
LINF2275
Proba. rappels 14
• Assignement d'une probabilité à un événement
– vision classique (jeux de hasard):
W est un ensemble fini de cas possibles dont chaque singleton (événement
élémentaire) a la même probabilité de se réaliser.
(Ex: lancer un dé parfait => W est constitué de 6 éléments équiprobables)
d'où:
Nbre de cas favorables
P(A) = ––––––––––––––––––––
Nbre de cas possibles
utilisation de l'analyse combinatoire
ne convient pas si W n'est pas fini
vision utopiste de la réalité (équiprobabilité)
!
– vision "fréquentiste" (loi des grands nombres):
répéter un grand nbre de fois N l'expérience et observer le nbre de fois que
l'événement d'intérêt A se produit:
d'où:
Nbre d'occurrences de A
f(A) = ––––––––––––––––––––
Nbre d'expériences (N)
et
P(A) = lim f(A)
NÆ•
ne convient pas si l'événement n'est pas reproductible!
!
LINF2275
Introduction 15
– conception subjectiviste:
La probabilité objective d'un événement n'existe pas et n'est pas une grandeur
mesurable!
Probabilité = mesure d'incertitude variant avec les circonstances et l'observateur
=> mesure subjective
Contrainte: satisfaire aux axiomes du calcul des probabilités
=> permet de probabiliser des événements non reproductibles et non
aléatoires !
(Ex: Quelle est la probabilité qu'il pleuve demain?)
=> permet de modéliser l'incertain
Modélisation de l'incertain et de l'imprécis:
nouveaux développements théoriques (depuis les années 1950):
théories des possibilités, des fonctions de croyance et des ensembles flous
généralisation des axiomes des probabilités => plus grande souplesse
plus proche du raisonnement humain
LINF2275
Proba. rappels 16
Variables aléatoires et distributions
• Variable aléatoire: entité prenant différentes valeurs ('variable'),
chacune avec une certaine probabilité ('aléatoire')
– nbre fini ou dénombrables de valeurs: variable discrète
– toute valeur dans un certain intervalle de ¬: variable continue
• Loi de probabilité d'une variable aléatoire X:
assignation des probabilités sur les différentes valeurs de X (discrète)
ou sur des intervalles de valeurs de X (continue)
Pour une variable discrète: masses ponctuelles P(X = xi)
Pour une variable continue: densité de probabilité P(a < X < b)
P(xi)
Ex: X = nbre d'enfants
des familles européennes
0
LINF2275
1
2
3
4
5
6
7
8
9
10 >10
Proba. - rappel 17
• Fonction de répartition d'une variable aléatoire X:
F(x) = P(X < x)
(fct monotone croissante)
d'où:
P(a ≤ X < b) = F(b)– F(a)
Ex: fct de répartition d'une variable discrète :
F(x)
1
0 1 2 3 4 5 6 7 8 9 10
x
Ex: fct de répartition d'une variable continue :
F(x)
1
LINF2275
0
x
Proba. - rappel 18
• Densité de probabilité (variable continue):
f(x) est la fct de densité pour une variable X si pour tout intervalle
[a , b] de ¬ on a:
b
P(a < X < b) =
Ú f (x)dx
a
Ú
d'où
et
¬
= aire sous la courbe f(x)
au dessus de [a, b]
f (x)dx = 1
a
F(a) = P(X < a) =
Ú f (x)dx
-•
f(x)
P(a < X < b)
a
LINF2275
b
x
Proba. - rappel 19
• Moments d'une variable aléatoire X:
valeurs typiques:
– centrales: moyenne
– de dispersion: variance, écart-type (déviation standard)
– de forme de distribution: coefficient d'asymétrie ('skewness'),
d'aplatissement ('kurtosis').
notion d'espérance mathématique: E(X) = moyenne (= centre de masse):
– var. discrète: m = E(X ) =
 x P(X = x )
i
i
i
– var. continue de densité f(x): m = E(X ) =
Ú
¬
x f (x) dx
(n'existe pas tjrs!)
– propriétés élémentaires: E(a) = a
E(aX) = a E(X)
E(X + Y) = E(X) + E(Y)
LINF2275
Proba. - rappel 20
variance: V(X) = s2 = E((X – E(X))2)
= E(X)2 – µ2
(moment centré d'ordre 2)
écart-type: s = V (X)
Définition générale: moment centré d'ordre k = mk = E((X – E(X))k)
Coefficients d'asymétrie g1 (skewness) et d'aplatissement g2 (kurtosis):
m3
m4
g1 = ––––
g2 = ––––
3
s
s4
• Médiane et percentile:
médiane: valeur x50 telle que P(X ≤ x50) = 0.50
percentile p%: valeur xp telle que P(X ≤ xp) = p%
LINF2275
Proba. - rappel 21
Lois de probabilité d'usage courant
Usage: Modélisation de systèmes physiques et de leurs résultats,
permet des prédictions à propos de ces systèmes.
Lois discrètes:
• Loi discrète uniforme:
X = {1, 2, ..., n} avec P(X = k) = 1/n
...
1
2
3
n
• Loi ou schéma de Bernouilli de paramètre p:
X = {0,1} avec P(X = 1) = p
(apparition d'un événement) et
P(X = 0) = 1 – p (non-apparition d'un événement)
• Loi binomiale B(n, p):
n
somme de n variables de Bernouilli Xi indépendantes
X=
Xi
de même paramètre p
i =1
Â
LINF2275
Proba. - rappels 22
• Loi binomiale (suite)
X = nbre d'apparitions d'un événement parmi n expériences aléatoires
indépendantes dont le résultat est l'apparition ou non d'un événement de
n!
k
n-k
probabilité p. D'où: P(X = k) = C k pk (1 - p)n -k =
p
(1
p)
n
k! (n - k)!
• Loi de Poisson P(l):
X à valeur naturelle (entière, positive ou nulle) et satisfait:
lk
P(X = k) = exp(-l)
k!
= probabilité d'obtenir x événements indépendants pendant un temps T, si le
nbre moyen d'événements par unité de temps est c et l = cT
Bonne approximation d'une binomiale lorsque p est petit (événement rare):
B(n, p) ~ P(n p)
Ex d'application:
loi du nbre de suicides par an dans un pays donné
loi du nbre d'appels téléphoniques pendant un intervalle de temps T
LINF2275
Proba. - rappels 23
• Autres lois discrètes utilisant le schéma de Bernouilli:
– Loi géométrique: X = nbre d'essais jusqu'au 1er succès
P(X = k) = p(1 - p)k -1
– Loi binomiale négative: X = nbre d'essais jusqu'au rème succès
r -1
k -1
P(X = k) = C
r
k-r
p (1- p)
Lois continues
• Loi uniforme sur un intervalle [a, b]:
même probabilité sur tout l'intervalle: f(x) = 1/(b – a)
f(x)
1/(b – a)
a
LINF2275
b
x
Proba. - rappels 24
• Loi normale (ou gaussienne): N(m , s)
moyenne = m et variance = s2
/
standardisation: Z = (X – m) s
=> m = 0 et s = 1
• Rôle fondamental, fréquemment utilisé:
– loi limite sur des échantillons de grandes
tailles;
– approximation des lois binomiale
(n grand) et poisson (l grand);
– théorème central-limite:
la somme de n variables aléatoires de
même loi de moyenne m et d'écart-type s
tend vers une normale.
LINF2275
f (x) =
ÊÁ (x - m)2 ˆ
1
exp Ë
2p s
2s 2 ¯
f(x)
m-3s m-2s m-s m m+s m+2s m+3s
±68%
±95%
±100%
Proba. - rappels 25
• Exemples d'autres lois continues:
– loi log-normale: si ln X est distribué selon une gaussienne
– loi exponentielle: f(x) = l exp(- lx) pour x > 0
...
Inégalité de Chebychev (1867):
Pour TOUTE variable aléatoire (discrète ou continue)
X de moyenne m et de variance s2,
P(X – m ≥ cs ) ≤ 1/c2
Ex:
LINF2275
c
1.5
2.0
3.0
4.0
P(X – m ≥ cs )
≤ 44.4%
≤ 25.0%
≤ 11.1%
≤ 6.3%
pour N(m, s)
13.4%
4.6%
0.27%
0.01%
Proba. - rappels 26
Couple de variables aléatoires
• Lois associées à un couple (X, Y) de var. discrètes:
– loi jointe = loi du couple (X,Y) définit par la table:
où
pij = P(X = xi et Y = yj)
– lois marginales = lois des variables individuelles:
q
loi marginale de X:
P(X = xi ) = Â pij = pi.
loi marginale de Y:
j =1
p
y1
yj
yq
x1
xj
pij
pi.
xp
p.j
P(Y = y j ) = Â pij = p. j
i =1
– lois conditionnelles: loi d'une variable étant donné la valeur prise par l'autre
loi de X si Y = yj : pi|j = P(X = xi | Y = yj) = pij/ p.j
loi de Y si X = xi : pj|i = P(Y = yj | X = xi) = pij/ pi.
– Indépendance de X et Y: ssi pij = pi. p.j ssi pi|j = pi. ssi pj|i = p.j
LINF2275
Proba. - rappels 27
• Conditionnement d'une var. continue Y par une var. discrète X
Fct de répartition conditionnelle: FY|x(y) = P(Y < y | X = x)
Fct de densité conditionnelle (si elle existe): fY|x(y) telle que
P(a < Y < b | X = x) =
Densité marginale de Y: fY(y) = ∑x fY|x(y) P(X = x)
b
Úf
Y x
(y)dy
a
• Couple (X, Y) de variables continues (espace à 2 dimension)
Fct de répartition jointe de (X, Y): FXY(x, y) = P(X < x et Y < y)
Fcts de répartition marginales: FX(x) = P(X < x) = FXY(x, •) (pas de cond. sur y)
FY(y) = P(Y < y) = FXY(•, y) (pas de cond. sur x)
Fct de densité jointe de (X, Y) (si elle existe): fXY(x, y) si pour toute région A
de l'espace à 2 dimensions:
P((X,Y) Œ A) = ÚÚA fXY(x, y)dx dy
= volume sous la courbe fXY(x, y) au-dessus de la région A
Indépendance de X et Y:
LINF2275
FXY(x, y) = FX(x) FY(y) fXY(x, y) = fX(x) fY(y)
Proba. - rappels 28
Fcts de densité marginales: fX(x) = Ú¬ fXY(x, y)dy
Loi conditionnelle :
indépendance ssi
fY(y) = Ú¬ fXY(x, y) dx
/
fY|x(y) = fXY(y) fX(x) pour fX(x) > 0
fY|x(y) = fY(y)
ssi
fX|y(x) = fX(x)
Espérance conditionnelle: E(Y | x) = Ú¬ y fY|x(y) dy
(rappel: pour une variable X de densité f(x) : E(X) = Ú¬ x f (x) dx )
Généralisation à un nbre n > 2 de variables:
– variables discrètes: P(X1 = x1, X2 = x2, ... Xn = xn )
– variables continues: A une région dans l'espace à n dimensions:
P((X1, ..., Xn) Œ A) = ÚÚ...Ú fX
A
1 ... Xn
(x1, ..., xn) dx1 ... dxn
distributions marginales, conditionnelles, conditions d'indépendance
LINF2275
Proba. - rappels 29
• Covariance et corrélation:
= mesures de la variation conjointe de 2 variables:
covariance: sXY = cov(X,Y) = E((X – E(X)) (Y – E(Y)))
= E(X Y) – E(X) E(Y)
avec
E(X Y) = Âi Âj xi yj pij
pour des variables X et Y discrètes
= ÚÚ x y fXY(x, y)dx dy
"
"
continues
/
corrélation: rXY = cor(X,Y) = cov(X,Y) sX s Y
Propriétés:
1) V(X + Y) = V(X) + V(Y) + 2 cov(X,Y).
2) SI X et Y indépendantes ALORS cov(X,Y) = 0 (car E(X Y) = E(X) E(Y))
! la réciproque est fausse: cov(X,Y) = 0 n'implique pas l'indépendance
3) -1 ≤ rXY ≤ 1
4) r2XY = 1 ssi Y = aX + b
LINF2275
sXY et rXY = mesures de relation linéaire
Proba. - rappels 30
Soit distribution équiprobable des points (x, y):
y
y
0 < cor < 1
cor = 0
x
x
y
y
-1 < cor < 0
x
LINF2275
cor = 0
x
Proba. - rappels 31
• Distribution normale bivariée
LINF2275
Proba. - rappels 32
Téléchargement
Explore flashcards